面向开放集节点分类的未知感知图一致域适应网络

《Pattern Recognition》：Unknown-aware graph consistent domain adaptation network for open-set node classification

　　

• 我们的工作为图开放集域适应提供了一种更细粒度的新方法。
• 我们将未知类别分离的焦点从传统的节点级特征转向了类别级分布。
• 我们尝试通过为已知节点学习域无关且具有判别力的特征，探索图掩码建模在提升域适应能力方面的潜力。
• 我们的方法在节点分类任务上优于现有的最先进的图开放集和闭集域适应方法。

**引言**

节点分类旨在利用拓扑结构或节点属性来预测节点标签[1]。然而，节点标注的缺乏阻碍了传统深度学习算法训练出鲁棒的节点分类器，凸显了开发一种迁移学习范式的迫切需求，该范式能够利用辅助域中丰富的节点标注来促进知识迁移。由于域偏移的存在，在标注源域上训练的深度学习模型往往难以很好地泛化到未标注的目标域。

近年来，图域适应方法[2]、[3]尝试在闭集假设下探索跨域域无关表示，即目标图与源图共享相同的标签空间，如图1(a)所示。然而，对于大多数现实世界应用而言，这一假设是不切实际的，因为目标图中经常包含超出源图标签空间的新颖节点。为此，我们的工作聚焦于开放集跨图节点分类，使学习到的模型能够正确地对属于源标签空间的目标节点进行分类，同时将超出该空间之外的节点检测为"未知"，如图1(b)所示。这种开放集设置带来了两大主要挑战：

(1) 区分图中的未知节点和已知节点。在图像数据领域，传统的开放集域适应方法[4]、[5]通常遵循独立样本之间的约束来建立已知类别和未知类别之间的特征差异。相比之下，图数据中节点之间复杂的语义关系通过图神经网络(GNNs)[6]影响节点表示学习，从而增加了通过样本级优化区分类别边界的难度，并放大了未知节点被错误同化到已知类空间中的风险。

(2) 域对齐与节点分类任务之间的不一致性。开放集域适应方法通过对抗判别器鼓励域混淆，以减少共享已知类空间中的域间差异。然而，域对齐和节点分类目标的冲突导致特征对目标任务具有有限的判别能力。图1(c)和(d)对比了传统的开放集域对齐与我们的开放集一致域对齐。传统域对齐旨在跨域全局对齐特征分布，但这种粗粒度方法无法充分捕获节点级的域关系，从而扭曲类别分布并污染判别特征。

因此，一个关键问题随之产生：如何为图设计一个合适的无监督开放集域适应框架？在本研究中，我们尝试从更细粒度的视角缓解不一致任务（全局域对齐任务和节点分类任务）以及不一致域（源域和目标域）的问题。为实现这一目标，我们提出了端到端的未知感知一致域适应(UCDA)方法，专为无监督图域适应设置下的开放集节点分类而设计。它包含两个关键模块：未知感知对比中心聚类(U3C)和跨图节点对齐(CGNA)。首先，U3C模块通过对类别级分布进行对比来增强已知节点和未知节点之间的分离，同时对齐跨域的已知类中心，从而减轻噪声个体节点表示的干扰。其次，CGNA模块采用了一种新颖的跨图重建范式，利用对齐的源节点恢复被掩码的目标结构，确保来自不同域但属于同一类别的节点能够在共享特征空间中被映射到附近。这种跨图的细粒度节点对应关系促进了域对齐与节点分类之间的任务一致性。鲁棒中心对齐与细粒度节点对齐的协同作用共同缩小了已知类别的域间隙，同时通过相互表示增强提升了目标未知类别的识别能力。

总之，本文的主要贡献如下：

1. 我们的工作为图开放集域适应提供了一种更细粒度的新方法。U3C将未知类别分离的焦点从节点级特征转向了类别级分布，使边界学习免受结构噪声的影响。与传统的开放集域适应不同，我们的UCDA可以利用跨图节点对齐来更好地学习已知类空间中的域无关特征表示。据我们所知，这是第一项探索域对齐与节点分类之间任务一致性的工作。

2. 我们研究了图掩码建模在通过为已知节点学习域无关且具有判别力的特征来增强域适应方面的潜力。我们的方法是结构感知的，利用图结构学习和掩码边预测来共同改进目标节点分类的节点表示。

3. 大量实验表明，节点级对齐和内在图结构建模在图域适应中都至关重要。此外，我们的方法在节点分类上优于现有的最先进的开放集和闭集域适应方法。

**开放集域适应**

开放集域适应[7]旨在隔离目标域中的未知样本，同时对齐跨域的已知类分布。早期方法通过阈值不确定性度量来识别未知类别。例如，CMU[8]使用从互补不确定性派生的可迁移性度量来检测未知类别，在ArnetMiner上达到0.465的平均调和分数(HS)。然而，这类基于阈值的策略无法优化特征空间，导致未知特征与已知类别纠缠在一起。

**问题定义**

设G=(A, X)为一个图，具有节点集V={v_i}_{i=1}^N，其中A∈R^{N×N}是邻接矩阵，X={x_i}_{i=1}^N∈R^{N×d}是具有d维特征的节点属性矩阵。此外，A_{ij}=1表示v_i和v_j之间存在链接（边）；否则A_{ij}=0。源图：一个带标签的图G_S=(A_S, X_S)，具有N_S个节点和类别标签Y_S∈R^{N_S×C_S}。目标图：一个无标签的图G_T=(A_T, X_T)，具有N_T个节点和一个不同的类空间C_T，其中C_S?C_T。用于节点分类的图开放集域适应：

**方法**

在本节中，我们提出了一个统一的端到端未知感知一致域适应(UCDA)架构用于开放集节点分类，如图2所示。UCDA通过两个协同模块共同实现：(1) 目标未知类别分离和(2) 细粒度级别的任务一致域对齐：(1) U3C通过熵阈值化将目标节点划分为已知/未知类别，并通过对比中心损失增强目标已知节点的中心分离。

**实验**

UCDA通过回答以下核心问题进行评估：Q1. U3C是否能改善已知-未知节点的分离？Q2. CGNA能否缓解域对齐与节点分类之间的任务不一致？Q3. 细粒度节点对齐是否优于开放集域适应中的域判别器？Q4. 标记源节点的训练比例如何影响节点分类？Q5. 目标已知/未知类别的数量如何影响整体性能？

**结论**

在本研究中，我们提出了具有U3C和CGNA模块的UCDA方法用于开放集节点分类。U3C通过对比类中心来减轻歧义样本的干扰，显著增强了未知类别的识别能力。CGNA通过建模节点级的域关系来有效适应图数据，从而减少分布差异，而不是依赖全局对齐。UCDA是第一个明确协调域适应与节点分类之间任务一致性的方法。

**CRediT作者贡献声明**

Ruoxian Song：写作 – 审阅与编辑，写作 – 初稿撰写，可视化，验证，软件，方法论，调查研究，概念化。Wenju Yang：写作 – 初稿撰写，可视化，验证，方法论，数据整理。Guangqi Wen：写作 – 初稿撰写，可视化，方法论，调查研究。Peng Cao：写作 – 审阅与编辑，写作 – 初稿撰写，指导，调查研究，资金获取。Weiping Li：指导，形式化分析。Jinzhu Yang：

**利益冲突声明**

作者声明不存在已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文所报告的工作。

**致谢**

本研究得到了国家重点研发计划（No. 2020YFC0833302）、国家自然科学基金（No. 62076059）以及辽宁省科技联合项目（2023JH2/101700367）的支持。

Ruoxian Song于2026年获得中国沈阳东北大学计算机科学与工程博士学位。她的研究兴趣包括图表示学习、迁移学习、脑网络分析和深度学习。她的研究论文已发表或被期刊或会议录用，包括Medical Image Analysis、Engineering Applications of Artificial Intelligence、IEEE国际生物信息学与生物医学会议以及Journal。

Ruoxian Song | Wenju Yang | Guangqi Wen | Peng Cao | Weiping Li | Jinzhu Yang | Osmar R. Zaiane